Universidad del Norte · 2025
Hockey is Melting Down
Air hockey educativo con una IA adaptativa entrenada con PPO y self-play. Cada nivel devuelve una pieza del equilibrio del planeta.
- de victorias contra los baselines fuertes
- 81%
- dimensiones en el espacio de observación
- 21
- niveles, uno por problema climático
- 5
- publicado en OnBoard Knowledge Journal
- 2025
- personas en el equipo
- 5
- puesto en la Feria Gamer de Uninorte
- 1.º
El reto
Un rival que no aburra ni humille
Un juego educativo sobre el clima tiene un problema doble. Si el mensaje pesa más que la partida, nadie lo juega dos veces; si el rival es un guion, se le encuentra el truco en diez minutos y deja de haber juego.
La dificultad tenía que salir del propio comportamiento del oponente, no de subirle la velocidad al disco. Eso descarta la IA por reglas y obliga a entrenar un agente — con lo que eso trae: un espacio de observación que describa la mesa entera y un sistema de recompensas que no premie ganar de cualquier manera.
- Un rival por reglas es predecible en pocas partidas
- Subir la velocidad no es dificultad, es frustración
- El mensaje climático no puede interrumpir el juego
- El agente debe correr en tiempo real, sin GPU
- Entrenar sin un rival humano disponible
- Medir la mejora contra algo que no sea uno mismo
La solución
Un juego de air hockey que cruza la competencia con la conciencia climática. Está hecho con Python y Pygame, y el rival es una IA adaptativa entrenada con Proximal Policy Optimization (PPO) y self-play: gana el 81% de las partidas contra los baselines fuertes.
Cada nivel es un problema ambiental con su villano, y superarlo restaura esa parte del planeta: basura en el Ártico (Basuraura), agujero en la capa de ozono (UVBlade), tormenta de esmog (Smogetron), bosque desaparecido (Deforestix) y calor urbano (HeatCore).
Lo técnico que sostiene el juego: una arquitectura híbrida de PPO y self-play con corrección de comportamiento, un espacio de observación de 21 dimensiones —posiciones, velocidades y predicción de trayectoria—, self-play adaptativo contra versiones anteriores del propio agente, y un sistema de recompensas multiobjetivo con aprendizaje por currículo.
El deshielo polar funciona como metáfora: se ve derretirse mientras juegas. Publicado en OnBoard Knowledge Journal (2025). Desarrollado con Flavio Arregocés, Cristian González, Bella Mejía y Yovany Zhu — Universidad del Norte, Barranquilla.
Resultados
Qué cambió
- El agente gana el 81% de las partidas contra los baselines fuertes.
- La dificultad emerge del comportamiento aprendido, no de parámetros subidos a mano.
- El deshielo polar funciona como marcador: el estado del planeta ES el progreso.
- Publicado en OnBoard Knowledge Journal (2025), con revisión por pares.
- Primer puesto en la Feria Gamer de la Universidad del Norte.
- El self-play elimina la necesidad de un rival humano para entrenar.
Equipo
Con quién se hizo
Flavio Arregocés
Desarrollo
Cristian González
Desarrollo
Bella Mejía
Desarrollo
Jorge Sánchez
Desarrollo e IA
Yovany Zhu
Desarrollo